طريقة مبتكرة تساعد في علاج السرطان بدقة

يُعتمد ما يقرب من 50 علاجًا جديدًا للسرطان سنويًا، وهذا خبر سار، لأن هناك ملايين الأشخاص حول العالم يعانون من هذا المرض القاتل، وينتظرون العلاج.

وقال الدكتور ألتونا أكالين: "لكن بالنسبة للمرضى وأطبائهم المعالجين، أصبح من الصعب بشكل متزايد متابعة واختيار أساليب العلاج التي ستعود بالنفع الأكبر على المرضى - لكل منهم خصائصه الخاصة في الورم".

يعمل أكالين منذ بعض الوقت على تطوير أدوات تستخدم الذكاء الاصطناعي لإجراء تشخيصات أكثر دقة، وتحديد أفضل أشكال العلاج المصممة خصيصًا للمرضى الأفراد.

وقد قام فريق أكالين الآن بتطوير مجموعة أدوات تسمى Flexynesis، والتي لا تعتمد فقط على التعلم الآلي الكلاسيكي ولكنها تستخدم أيضًا التعلم العميق لتقييم أنواع مختلفة جدًا من البيانات في وقت واحد - على سبيل المثال، بيانات متعددة الأوميكس بالإضافة إلى النصوص والصور المعالجة بشكل خاص، مثل التصوير المقطعي المحوسب أو التصوير بالرنين المغناطيسي.

بهذه الطريقة، يُمكّن الأطباء من تحسين تشخيص مرضاهم وتوقع حالتهم الصحية ووضع استراتيجيات علاجية أفضل، كما يقول أكالين.

وُصفت عملية المرونة العضلية بالتفصيل في ورقة بحثية نُشرت في مجلة Nature Communications.

يقول الدكتور بورا أويار، المؤلف الأول والمشارك في المراسلات في النشر: "نحن ندير مشاريع ترجمية متعددة مع الأطباء الذين يريدون تحديد المؤشرات الحيوية من بيانات متعددة الجينوم تتوافق مع نتائج المرض".

وأضاف: على الرغم من نشر العديد من أساليب التعلم العميق لهذا الغرض، إلا أن معظمها تبيّن أنه غير مرن، أو مرتبط بمهام نمذجة محددة، أو يصعب تثبيته وإعادة استخدامه، وقد شجعتنا هذه الفجوة على بناء Flexynesis كمجموعة أدوات مناسبة، تتميز بالمرونة لمهام نمذجة مختلفة، ومُجمّعة على PyPI وGuix وDocker وBioconda وGalaxy، مما يُمكّن الآخرين من تطبيقها بسهولة في خطوط أنابيبهم الخاصة".

الأداة تجد جذر المرض

التعلم العميق هو مجال فرعي من التعلم الآلي، يتجاوز الشبكات العصبية البسيطة ذات طبقة أو طبقتين حاسوبيتين، ويستخدم شبكات عميقة تعمل بمئات أو حتى آلاف الطبقات.

يوضح أكالين: "ينشأ السرطان وغيره من الأمراض المعقدة من تفاعل عوامل بيولوجية مختلفة، على سبيل المثال، على مستوى الحمض النووي الريبوزي (DNA) والحمض النووي الريبوزي (RNA) والبروتينات".

غالبًا ما يتم تسجيل التغيرات المميزة على هذه المستويات - مثل كمية بروتين HER2 المنتج في سرطان الثدي أو المعدة - ولكن لا يتم تحليلها عادةً بالتزامن مع جميع العوامل الأخرى ذات الصلة بالعلاج.

وهنا يأتي دور تقنية Flexynesis.

يقول أكالين: "غالبًا ما كانت الأدوات المماثلة حتى الآن إما صعبة الاستخدام، أو مفيدة فقط للإجابة على أسئلة محددة، أما Flexynesis، فعلى النقيض من ذلك، فهي قادرة على الإجابة على أسئلة طبية مختلفة في الوقت نفسه: على سبيل المثال، نوع السرطان المعني، والأدوية الفعالة بشكل خاص في هذه الحالة، وكيف ستؤثر هذه الأدوية على فرص نجاة المريض".

تساعد هذه الأداة أيضًا في تحديد المؤشرات الحيوية المناسبة للتشخيص والتنبؤ، أو في حال اكتشاف نقائل مجهولة المصدر، لتحديد الورم الرئيسي.

يقول أكالين: "هذا يُسهّل تطوير استراتيجيات علاج شاملة ومخصصة لجميع أنواع مرضى السرطان".

في العام الماضي، قدّم أكالين أداةً أخرى قائمةً على الذكاء الاصطناعي تُسمى Onconaut، والتي تُساعد بشكلٍ مماثل في تحديد العلاج المُناسب للسرطان.

يوضح أكالين: "تعتمد Onconaut على المؤشرات الحيوية المعروفة، ونتائج التجارب السريرية، والمبادئ التوجيهية الحالية، لذا فهي تعمل على مبدأ مختلف تمامًا، لن تصبح هذه الأداة قديمة، بل يُمكن أن تُشكّل مُكمّلًا مفيدًا لـ Flexynesis".

من العقبات التي لا يزال على الأداة الجديدة التغلب عليها، على الأقل في ألمانيا، عدم جمع بيانات الجينومات المتعددة بشكل روتيني في المستشفيات حتى الآن.

يقول أكالين: "في الولايات المتحدة، تُناقش هذه البيانات بشكل متكرر في مجالس الأورام بالمستشفيات، حيث يتعاون أطباء من تخصصات مختلفة في التخطيط لعلاج مرضاهم".

وقد أظهر فريقه إمكانية استخدام البيانات للتنبؤ بدقة بفعالية علاج معين.

ويضيف: "في ألمانيا، لم تُستخدم بيانات الجينومات المتعددة المفصلة حتى الآن إلا في برامج رائدة مثل برنامج MASTER للسرطانات النادرة"، لكن هذا قد يتغير قريبًا.

ويؤكد أكالين أن مستخدمي أداةه، التي تستهدف حاليًا في المقام الأول الأطباء والباحثين السريرييين ويتم تحديثها باستمرار، لا يحتاجون إلى أي خلفية خاصة في العمل مع التعلم العميق.